Anyverse Dynamics publie en open source MWA-Phoenix, un modèle d'action du monde de 7 milliards de paramètres embarqué pour robots

Light Origins publie en open source Light-O1-Preview, son modèle corps entier de 6 milliards de paramètres

Light Origins a mis en open source Light-O1-Preview, un modèle d'action « corps entier » d'environ 6 milliards de paramètres, publié sous licence Apache 2.0 sur Hugging Face et GitHub selon le blog technique de l'entreprise daté du 21 septembre. Ce checkpoint public constitue la partie visible de Light-O1, la ligne de fondation incarnée de Light Origins, distincte de son précédent cerveau de navigation LightNav-0. Le pipeline segmente des humains filmés en vidéo, reconstruit leur mouvement en trois dimensions, puis tokenise trajectoire, pose et état des mains en jetons discrets entrelacés avec le langage et la vision pour un pré-entraînement Transformer autorégressif. Des expériences de mise à l'échelle allant de 3,75 à 120 milliards de tokens multimodaux, soit jusqu'à environ 100 000 heures d'action humaine récupérée dans le plus grand budget testé, montreraient une baisse en loi de puissance de l'erreur de prédiction après adaptation à des données égocentriques, à des jeux de téléopération du Unitree G1 et aux corpus maison LightBot. Les démonstrations montrent ce modèle transféré sur LightBot et un Unitree G1 pour s'agenouiller, tenir l'équilibre, essuyer une surface ou saisir des objets. Bâti sur l'arbre Qwen3.5-4B-Base, le checkpoint accepte une instruction textuelle, produit une courte trace de raisonnement puis des séquences à 20 images par seconde, avec 138 valeurs par image couvrant mouvement racine, hauteur du bassin, lacet, 22 articulations et ouverture des mains. Déployer ces trajectoires exige encore un modèle de comportement séparé : l'exemple Unitree G1 documenté tourne aujourd'hui en simulation avec un checkpoint de politique additionnel. Light Origins revendique 79,3% de succès sur 24 tâches en simulation de cuisine RoboCasa GR-1, un chiffre produit en interne, sans classement public indépendant. Pour les intégrateurs et équipes robotique, Light-O1-Preview n'est pas un système clé en main mais une couche de « prior » de mouvement téléchargeable sous licence permissive, qui permet de tester publiquement l'hypothèse d'un pré-entraînement sur vidéo humaine généralisable à plusieurs embodiments, une piste aussi suivie par Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure. La qualité de la manipulation locomotrice inter-embodiments dépend cependant toujours de données d'adaptation et de contrôleurs bas niveau restés partiellement propriétaires, ce que cette publication ne résout pas. Le taux de 79,3% cité provient d'un benchmark maison, non d'un classement tiers vérifiable, et les démonstrations mêlent simulation et robot réel sans distinction toujours explicite : la sortie relève donc pour l'instant davantage de l'ouverture de recherche que d'un produit déployé en usine ou en entrepôt. Light-O1-Preview prolonge la stratégie de Light Origins consistant à bâtir des modèles fondation incarnés à partir de vidéos humaines plutôt que de téléopération coûteuse à grande échelle, après son précédent LightNav-0 dédié à la navigation. L'entreprise positionne ainsi Light-O1 face aux laboratoires occidentaux de modèles vision-langage-action déjà cités, dans une course où des poids ouverts sous Apache 2.0 restent rares comparés aux offres fermées de Physical Intelligence ou NVIDIA. Le recours au Unitree G1 comme plateforme de référence confirme le rôle de ce humanoïde chinois comme banc d'essai standard pour plusieurs équipes de recherche. Aucune date de pilote industriel n'est annoncée en dehors des environnements de simulation et de démonstration ; l'étape suivante reste l'ajout d'un modèle de comportement ou d'un contrôleur bas niveau capable de transformer ces séquences en commandes robot fiables en conditions réelles.

ACE Robotics lance ACE-Brain-0.6, un modèle de 9 milliards de paramètres optimisé pour l'ancrage visuel sur données spatiales

ACE Robotics a publié ACE-Brain-0.6, un modèle de fondation « embodied » d'environ 9 milliards de paramètres, spécialisé dans l'ancrage visuel (visual grounding), c'est-à-dire la capacité à relier une instruction en langage naturel à un emplacement précis, une partie d'objet ou une zone d'interaction dans une scène physique. Le modèle repose sur Qwen3.5-9B, avec un encodeur de vision gelé et un modèle de langage affiné sur environ un million d'échantillons de supervision spatiale vérifiables, couvrant quelque 940 000 images et 2,7 millions de paires question-réponse. Selon les résultats communiqués par l'entreprise, et non encore vérifiés de façon indépendante, ACE-Brain-0.6 devance GPT-6 Astra d'OpenAI sur six des huit évaluations : Where2Place (76,55 contre 71,10), PixMo-Count (89,41 contre 88,10), RoboSpatial (74,82 contre 69,55), RoboAfford (88,51 contre 84,94), ShareRobot (49,70 contre 46,60) et RobotGrounding, le jeu interne de l'équipe (94,13 contre 91,10). Sur sept benchmarks publics, la moyenne atteint 74,53 contre 73,68 pour Astra. RobotGrounding compte 2 591 questions réparties en 14 types de tâches, dont la localisation de petits objets, le comptage multi-instances, la détection d'une cible demandée mais absente et la mise en correspondance de cibles entre vues de caméras. Des comparaisons avec Gemini 4 Argon de Google, Claude Opus 5.5 d'Anthropic et d'autres modèles embodied ouverts sont également fournies. Pour les intégrateurs et les équipes qui construisent des piles VLA, l'intérêt tient moins au classement qu'à la méthode. Dans des essais à architecture et recette d'entraînement constantes, passer de 260 000 à environ un million d'échantillons fait monter la moyenne sur sept benchmarks de 69,3 à 74,5, selon une courbe quasi log-linéaire. Doubler les données rapporte en moyenne 2,4 points, alors que multiplier des échantillons du même type apporte moins d'un point : les gains viennent des nouvelles scènes, des nouvelles relations spatiales et des nouveaux formats de supervision, pas du volume brut. C'est un argument concret pour les décideurs qui arbitrent entre collecte massive et curation de la diversité. Un modèle de 9 milliards de paramètres qui égale ou dépasse des modèles généralistes de frontière sur ces tâches suggère aussi qu'une brique de perception spécialisée, plus légère à embarquer, reste compétitive. Les réserves sont nettes : les écarts sont modestes (0,85 point sur la moyenne publique), l'un des benchmarks gagnants est conçu par l'éditeur, et rien ne dit que ces scores d'ancrage se traduisent en taux de réussite de manipulation en conditions réelles. Aucun déploiement n'est annoncé. Le pipeline de données fusionne plus de 30 jeux de données robotiques ouverts avec des images égocentriques privées, puis s'appuie sur des outils comme Grounding DINO et SAM 3 pour convertir des indices d'état de pince et de mouvement en étiquettes spatiales contrôlables. Les réponses ne sont générées que lorsque la preuve visuelle est complète, par exemple avec des étiquettes d'instances exhaustives avant toute question de comptage. ACE Robotics, présidée par Xiaogang Wang, cofondateur de SenseTime, avait présenté ACE-Brain-0.5 comme une boucle unifiée percevoir-planifier-agir-évaluer ; la version 0.6 resserre le pari sur l'ancrage, vu comme le maillon entre raisonnement de haut niveau et exécution physique fiable. Les dépôts GitHub publics sous DAXIAORobotics listent toujours ACE-Brain-0 et 0.5, mais les poids de la 0.6 n'y figurent pas à ce jour, ce qui empêche pour l'instant toute reproduction externe des chiffres. L'entreprise se positionne face aux modèles de vision-langage des grands laboratoires américains et aux modèles embodied ouverts, une réplication indépendante et une éventuelle ouverture des poids seront les prochains tests de crédibilité.

Efficient-WAM : un modèle monde-action de 1 milliard de paramètres à faible coût d'anticipation

Une équipe de recherche présente Efficient-WAM, un World-Action Model (WAM) d'un milliard de paramètres conçu pour la manipulation robotique en temps réel, dont les résultats sont publiés sur arXiv (2606.10040) en juin 2026. Les WAMs constituent une classe de modèles qui couplent la prédiction visuelle du futur avec la génération d'actions motrices : le robot "imagine" ce que va ressembler la scène dans quelques instants avant de décider quoi faire. Efficient-WAM ramène la latence d'inférence à environ 100 ms par chunk lors du déploiement physique, soit un gain de 30x par rapport aux WAMs existants. Pour y parvenir, trois leviers techniques sont combinés : un expert vidéo compact distillé depuis WAN-2.2-5B (modèle de génération vidéo à 5 milliards de paramètres), des représentations vidéo token-sparse, et un débruitage asymétrique qui alloue moins d'étapes d'échantillonnage à la branche vidéo qu'à la branche action. Les évaluations portent sur le benchmark RoboTwin 2.0 et des tâches de manipulation en conditions réelles. Le résultat central est contre-intuitif : Efficient-WAM maintient des performances d'action compétitives même si ses prédictions visuelles sont visiblement grossières, ce qui invalide l'hypothèse implicite que la fidélité photorealiste de l'imagination future est nécessaire au contrôle. Pour un intégrateur ou un responsable robotique, cela signifie que le goulot d'étranglement computationnel des WAMs n'est pas une fatalité architecturale mais un problème de design résolu ici par une re-priorisation : la vidéo future n'est plus un objectif visuel mais un signal de guidage compact pour la génération d'actions. À 100 ms par chunk, le modèle entre dans la fenêtre de faisabilité pour des boucles de contrôle sur manipulateurs industriels ou cobots, là où les WAMs précédents restaient confinés à la démonstration labo. Les WAMs s'inscrivent dans une compétition dense avec les Vision-Language-Action models (VLAs) comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou OpenVLA, qui traitent directement la génération d'actions sans passer par la prédiction vidéo explicite. L'argument des WAMs est que l'imagination du futur améliore la robustesse en dehors de la distribution d'entraînement, mais leur coût computationnel a jusqu'ici limité leur adoption. Efficient-WAM rééquilibre ce trade-off. La distillation depuis WAN-2.2-5B, un modèle de génération vidéo généraliste, suggère une stratégie de transfer learning inter-domaine qui pourrait s'étendre à d'autres architectures. Les prochaines étapes naturelles sont l'évaluation sur des plateformes humanoïdes complètes et des déploiements en environnements semi-structurés, deux dimensions absentes de ce papier.

Galbot lance LDA-1B, un modèle du monde-action en open source

Galbot a publié LDA-1B, un modèle fondation monde-action cross-embodiment de 1,6 milliard de paramètres, construit sur son architecture propriétaire WAM (World-Action Model). Ce modèle unifie modèles de monde et modèles d'action au niveau des données, permettant un apprentissage conjoint sur données de simulation et données réelles, données humaines et robotiques, ainsi que sur jeux de données d'action labellisés et non labellisés. LDA-1B peut s'adapter à différentes morphologies de robots après seulement une heure de post-entraînement, selon Galbot. À mesure que le volume de données d'entraînement est passé de 5 000 à 30 000 heures, l'erreur de prédiction d'action a diminué de façon continue, démontrant un comportement de scaling cohérent. La recherche a été acceptée à RSS 2026 et le code source est désormais public. Le modèle est intégré dans AstraBrain et AstraData, l'infrastructure de déploiement de Galbot, couvrant la logistique industrielle, les tâches domestiques et les scénarios retail. En avril 2026, la société est l'entreprise d'IA incarnée non cotée la mieux valorisée en Chine, avec une valorisation dépassant 20 milliards de yuans (2,8 milliards de dollars). Plusieurs points méritent attention. La capacité d'adaptation cross-embodiment en une heure de fine-tuning est une affirmation forte, mais elle reste à valider hors démonstrations contrôlées. Le comportement de scaling confirmé entre 5 000 et 30 000 heures de données est un signal positif pour les VLA (Vision-Language-Action models) à grande échelle, suggérant que les lois d'échelle s'appliquent à l'action robotique de façon analogue aux LLM textuels. L'open-source du codebase réduit la barrière d'entrée pour les intégrateurs souhaitant expérimenter sans infrastructure propriétaire, et positionne Galbot comme fournisseur d'infrastructure fondationale, pas seulement constructeur de robots. Galbot est une startup spécialisée dans les robots humanoïdes et l'IA incarnée. LDA-1B entre en compétition directe avec pi0 de Physical Intelligence, GR00T N2 de NVIDIA, et les approches internes de Figure AI et Agility Robotics côté américain. En Chine, la société rivalise avec Unitree et UBTECH sur le terrain humanoïde. L'acceptation à RSS 2026 lui confère une légitimité académique rare dans ce secteur encore dominé par les communiqués marketing. Les prochaines étapes probables incluent des pilotes industriels en logistique et retail, et une expansion internationale que la valorisation de 2,8 milliards de dollars rend plausible.

💬 Le comportement de scaling sur les données robotiques, c'est le vrai signal ici, pas le chiffre de valorisation. Que les lois d'échelle s'appliquent à l'action physique comme au texte, ça dit quelque chose sur ce qu'on va voir dans 3 ans, et tu commences à comprendre pourquoi les gros acteurs américains s'agitent. L'open source est une bonne décision stratégique, mais une heure de fine-tuning pour changer de morphologie de robot, j'attends de voir ça hors démo contrôlée.